4. 约束生成模型架构概览
在药物分子结构约束生成工程中，“约束”并不是一个附加在生成结果上的后处理过滤器，而是贯穿模型架构、训练目标与采样过程的核心控制信号。不同生成模型对约束的承载方式差异极大：有的把约束写进条件概率的分解顺序，有的把约束编码进隐空间，有的让约束通过判别器或评分网络反向塑造生成分布，还有的把约束直接嵌入连续时间动力学。理解这五类架构，本质上是在理解“约束以何种数学形式进入生成过程”。
一、自回归模型：把约束写进分解顺序
自回归（Autoregressive, AR）模型将分子表示为序列，例如 SMILES 字符串或原子-键的拓扑遍历序列，并利用链式法则分解联合概率：
p(x) = ∏_{t=1}^{T} p(x_t | x_{<t})约束的接入方式非常直接：把性质标签、骨架片段、药效团指纹或目标蛋白嵌入作为条件向量，拼接到每一步的隐状态中，即建模 p(x_t | x_{<t}, c)。在药物场景中，常见做法是“前缀约束”——给定一个必须保留的母核 SMILES 片段作为前缀，模型只生成后续取代基；或者“词表约束”——在解码时屏蔽掉违反价键规则的 token。AR 的优点是似然可精确计算、训练稳定、采样速度快；缺点是生成顺序敏感，早期 token 一旦偏离约束，后续很难纠正，且难以直接优化全局性质指标。
二、变分自编码器：把约束压进隐空间
变分自编码器（VAE）通过编码器 q(z|x) 将分子映射到连续隐向量 z，再由解码器 p(x|z) 重建。其训练目标是证据下界（ELBO）：
L = E_{q(z|x)}[log p(x|z)] − KL(q(z|x) || p(z))约束生成的关键在于隐空间的可控性。若把性质 y 作为条件，则建模 p(x|z, y)，采样时在隐空间中对 z 施加约束，例如沿“logP 增大方向”或“QED 提升方向”做条件采样。VAE 的优势是隐空间连续、可插值、可做梯度优化，适合多目标性质约束；但存在后验坍塌与重建-先验权衡问题，生成的分子有时在化学上不合理，需要额外的有效性修正。
三、生成对抗网络：让约束通过判别器反馈
生成对抗网络（GAN）由生成器 G 与判别器 D 博弈。在约束生成中，判别器不仅判断“真假”，还可扩展为多任务判别器，同时输出真实性、性质预测与约束满足度。生成器的损失可写为：
L_G = −E[log D(G(z, c))] + λ·L_property(G(z, c), c)其中 c 为约束条件，λ 控制性质约束权重。GAN 采样一次前向即可出结果，速度极快，且能生成分布锐利的样本；但训练不稳定、模式坍塌严重，在离散分子图上直接应用困难，通常需要 Gumbel-Softmax 或强化学习策略梯度来桥接离散输出。因此 GAN 在药物约束生成中更多用于片段连接、骨架装饰等局部任务。
四、扩散模型：约束作为去噪路径上的条件
扩散模型定义前向加噪过程 q(x_t|x_{t−1}) 与反向去噪过程 p_θ(x_{t−1}|x_t)。约束生成通过条件去噪实现：
p_θ(x_{t−1} | x_t, c) ≈ N(μ_θ(x_t, t, c), Σ_θ(x_t, t))条件 c 可以是性质向量、药效团图、蛋白口袋特征或已知片段掩码。采样时，从纯噪声出发，每一步都依据 c 修正去噪方向。扩散模型的突出优势是生成质量高、模式覆盖好、对 3D 构象与几何约束天然友好，适合基于结构的药物设计；代价是采样步数多、计算开销大，且约束强度需要在“条件引导尺度”上仔细调节——引导过强会牺牲多样性，过弱则约束不达标。
五、流匹配模型：用连续时间速度场承载约束
流匹配（Flow Matching）学习一个时间相关的速度场 v_θ(x, t)，将先验噪声分布沿常微分方程输运到数据分布：
dx/dt = v_θ(x, t, c), x(0) ~ p_0, x(1) ~ p_data与扩散模型相比，流匹配的路径更直、训练目标更简单，采样步数可大幅减少。约束 c 同样作为速度场的条件输入，可在训练时通过条件流匹配目标注入，也可在采样时通过分类器引导或无分类器引导调节。在药物分子生成中，流匹配特别适合需要快速采样的高通量筛选场景，以及需要平滑插值两个分子片段的骨架跃迁任务。
六、架构选型的工程判断
把五类架构放在药物约束生成的实际任务中，选型可以遵循几条经验规则。若约束是“必须保留某个骨架片段”或“按指定顺序拼接片段”，自回归模型最自然，因为约束可以直接写成前缀或解码掩码。若约束是“同时满足 logP、QED、TPSA 等多个连续性质”，VAE 的隐空间梯度优化更合适，但需要配合有效性修正模块。若任务是“给定骨架快速生成大量装饰分子”，GAN 的推理速度优势明显，但必须接受训练不稳定带来的调参成本。若约束来自蛋白口袋的三维几何，扩散模型几乎是当前首选，因为去噪过程天然处理空间坐标。若需要在保持生成质量的同时把采样步数压到 10 步以内，流匹配是更优的折中。